A machine-learning workflow to integrate high-resolution core-based facies into basin-scale stratigraphic models for the Wolfcamp and Third Bone Spring Sand, Delaware Basin
Notice bibliographique
Résumé
Abstract The characterization of subsurface reservoirs that are dominated by mudrock facies is hindered by the inherent heterogeneity and high degree of spatial variability typical of mudrock depositional systems. Subsurface reservoir properties that include porosity and permeability, fluid saturations, stratigraphic thicknesses of reservoir units, and source rock potential are ultimately controlled by the spatial distribution of sedimentary rock facies, which supports efforts to improve subsurface characterization workflows. Although core-based data provide direct measurements of rock attributes that are used to inform static reservoir models, capturing high-resolution core-based rock facies and downscaling these observations to tie to lower-resolution wireline logs remains a challenge. The effort to integrate core-based facies to reservoir-scale models is especially difficult when trying to capture thin-bedded heterogeneity that is common to mudrock systems. Herein, a workflow is developed and applied to visualize and integrate multivariate and spatially complex core-based data sets with wireline logs. Formation-specific core-based chemofacies training data sets are developed by integrating core descriptions with chemofacies clusters developed from high-resolution X-ray fluorescence core scanning. Core-based rock attribute data (e.g., XRD mineralogy, total porosity, and total organic matter content) are used to describe the chemofacies, providing a means to upscale low-resolution rock attribute measurements to high-resolution core-based chemofacies. Supervised core-based chemofacies training data sets are then used with neural network multiclass classification machine-learning tools to train triple combo wireline logs (gamma ray, deep resistivity, bulk density, and neutron porosity) to predict rock facies from wireline logs, providing a new approach to apply core-based facies classifications to wireline log studies. A basin-scale case study that applies this workflow is described for the Third Bone Spring Sand and units of the Wolfcamp Formation in the Delaware Basin of West Texas, United States.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».